Machine learning approach to predict delay in smart infusion pump

• Alamelu, Jayakumar Venkata ^[1] ; Mythili, Asaithambi ^[2]
  1. [1] Ramaiah Institute of Technology, Bangalore, India
  2. [2] Vellore Institute of Technology, Vellore, India
• Localización: Salud, Ciencia y Tecnología, ISSN 2796-9711, Nº. 2, 2022 (Ejemplar dedicado a: Salud, Ciencia y Tecnología), pág. 243
• Idioma: inglés
• Títulos paralelos:
  • Aprendizaje automático para predecir el retraso de una bomba de infusión inteligente
• Enlaces
  • Texto completo
• Resumen
  • español

    Actualmente se están desarrollando bombas de infusión inteligentes inalámbricas. Es fundamental garantizar que el paciente reciba la concentración de fármaco correcta. En la práctica, el rendimiento de la bomba ha dependido del mínimo retardo de arranque. La minimización del retardo de arranque es importante en las bombas de infusión de tipo abierto y rara vez en las de tipo cerrado. El énfasis en la reducción del retardo de arranque tranquiliza a los profesionales y cuidadores, al tiempo que garantiza la seguridad del paciente. El retardo de arranque de la bomba de infusión se basa en el caudal y el tiempo de retardo. La predicción de la velocidad de flujo y el tiempo de retardo de una bomba de infusión es necesaria para garantizar una dosis de fármaco segura para el paciente. En la actualidad, los métodos de aprendizaje automático y los métodos computacionales para predecir el parámetro deseado se utilizan ampliamente en aplicaciones sanitarias y en el rendimiento de dispositivos médicos. La reducción del retardo de arranque puede lograrse mediante la predicción de sus parámetros asociados, el tiempo de retardo y el caudal. El caudal depende de la velocidad de la bomba de infusión, que debe calcularse en función del número de engranajes y revoluciones. La velocidad de la bomba debe predecirse para obtener un caudal preciso. Nuestra presente investigación intenta predecir el tiempo de retardo de una bomba de infusión utilizando diferentes funciones kernel de regresión de vectores de soporte (SVR). El rendimiento de la SVR para cada función kernel se compara con R2, RMSE, MAE y precisión de predicción. Se ha obtenido una precisión de predicción del 99,7% en la SVM optimizada.

  • English

    Wireless smart infusion pumps are currently under development. It is critical to ensure that the patient receives the correct drug concentration. Practically, the performance of the pump has relied on the minimum startup delay. The minimization of the startup delay is prominent in open-type infusion pumps and rarely in closed types. The emphasis on reducing startup delay puts practitioners and caregivers at ease while ensuring patient safety. The startup delay of the infusion pump is based on the flow rate and the lag time. The prediction of the flow rate and lag time for an infusion pump is necessitated to ensure a safe drug dosage for the patient. Currently, machine learning methods and computational methods to predict the desired parameter are widely used in healthcare applications and medical device performance. The reduction of start-up delay can be achieved by predicting its associated parameters lag time and flow rate. The flow rate is dependent on the speed of the infusion pump, which has to be calculated based on the number of gears and revolutions. The speed of the pump has to be predicted for accurate flow delivery. Our present research attempts to predict the lag time of an infusion pump using different kernel functions of support vector regression (SVR). The performance of the SVR for each kernel function is compared with R2, RMSE, MAE, and prediction accuracy. The prediction accuracy of 99.7% has been obtained in optimized SVM.